劉長征，相文波

(哈爾濱理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150080)

基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的肺炎影像判別

劉長征，相文波

(哈爾濱理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院, 哈爾濱 150080)

目前肺炎類型判別主要依靠醫(yī)生的經(jīng)驗(yàn)，但一些肺炎的CT影像極為近似，即使有經(jīng)驗(yàn)的醫(yī)生，也容易判別錯(cuò)誤，造成誤診;為此提出卷積神經(jīng)網(wǎng)絡(luò)分類算法，該算法由3個(gè)卷積層、3個(gè)亞采樣層及1個(gè)完全連接層組成，并且對(duì)卷積層進(jìn)行了特殊結(jié)構(gòu)處理，由反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)，并對(duì)反向傳播過程提出了改進(jìn)；臨床實(shí)驗(yàn)證明，該方案較現(xiàn)在普遍研究的分類算法，如adaboost算法和svm算法具有更高的識(shí)別率和準(zhǔn)確度，并且改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)防止了訓(xùn)練數(shù)據(jù)時(shí)過擬合現(xiàn)象的產(chǎn)生。

肺炎判別; CT影像; 深度學(xué)習(xí); 細(xì)微特征差異

0 引言

目前肺炎按照病理形態(tài)學(xué)分類，可以將肺炎分成大葉肺炎、支氣管肺炎、間質(zhì)肺炎及毛細(xì)支氣管炎等。這些肺炎CT圖像十分相似，醫(yī)生根據(jù)肺部紋理，斑片狀影，陰影密度，炎癥部位進(jìn)行判斷。由于經(jīng)驗(yàn)不足，誤診情況時(shí)有發(fā)生。

為此國內(nèi)外做了大量研究。文獻(xiàn)[4]提出了基于圖像處理技術(shù)的方法，提取肺炎紋理LBP特征作為識(shí)別特征，用bp神經(jīng)網(wǎng)絡(luò)識(shí)別，但是識(shí)別率太低，bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇至今尚無一種統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗(yàn)選定。網(wǎng)絡(luò)結(jié)構(gòu)選擇過大，訓(xùn)練中效率不高，可能出現(xiàn)過擬合現(xiàn)象，造成網(wǎng)絡(luò)性能低，容錯(cuò)性下降，若選擇過小，則又會(huì)造成網(wǎng)絡(luò)不收斂。文獻(xiàn)[5]提出了采用方向梯度直方圖特征(Histogram of Oriented Gradient, HOG)，加樸素貝葉斯方法對(duì)肺炎類型識(shí)別的方法。通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征，用樸素貝葉斯分類，但hog特征并不能很好地表示斑片狀影，陰影密度，炎癥部位，因而識(shí)別率低。 文獻(xiàn)[6]提出采用adaboost算法對(duì)肺炎識(shí)別判斷，文獻(xiàn)[13]提出采用svm算法對(duì)肺炎紋理識(shí)別判斷，雖然識(shí)別率有所提高，但準(zhǔn)確率依然滿足不了實(shí)際應(yīng)用，主要在于人為提取的特征不一定是最好識(shí)別特征，除了紋理特征還有陰影密度等等。

深度學(xué)習(xí)技術(shù)是現(xiàn)代人工智能領(lǐng)域的一個(gè)新的研究方向，它通過模仿人腦學(xué)習(xí)過程構(gòu)建學(xué)習(xí)模型。深度學(xué)習(xí)的概念由Hinton等人于2006年提出，其本質(zhì)上是通過大量有標(biāo)簽的訓(xùn)練數(shù)據(jù)，學(xué)習(xí)輸入到輸出的一種映射關(guān)系，而不需要精確的數(shù)學(xué)表達(dá)式。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)技術(shù)的一種模型，該模型通過局域感受野、權(quán)值共享和次抽樣處理，而具有位移、縮放和扭曲不變性。局域感受野可以提起初級(jí)的視覺特征，權(quán)值共享可以減少神經(jīng)元之間的參數(shù)，減少訓(xùn)練學(xué)習(xí)的時(shí)間，次抽樣減小了特征分辨率，實(shí)現(xiàn)了扭曲不變性。卷積神經(jīng)網(wǎng)絡(luò)的特征提取是通過訓(xùn)練數(shù)據(jù)自主學(xué)習(xí)，所以在使用卷積神經(jīng)網(wǎng)絡(luò)時(shí)，避免了顯示提取特征不理想的缺陷，而隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)。

本文提出基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的肺炎分類算法。該算法可以通過大量不同肺炎類型CT圖像自主學(xué)習(xí)出對(duì)應(yīng)肺炎的特征，避免了人為選取特征的缺陷，提高了肺炎分類的準(zhǔn)確率。

1 算法設(shè)計(jì)

1.1 CNN結(jié)構(gòu)設(shè)計(jì)

識(shí)別肺炎類型的CNN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如圖1所示，共有七層，C1層是一個(gè)卷積層，由12個(gè)60*60像素大小的特征圖(Feature Map)構(gòu)成。特征圖中的每一個(gè)神經(jīng)元與輸入層中5*5的鄰域相連，用5*5大小的卷積核去遍歷卷積64*64像素大小圖片中的每一個(gè)5*5大小的單元，最終獲得(64-5+1)*(64-5+1)=60*60大小的一個(gè)特征圖。

圖1 CNN結(jié)構(gòu)

同一個(gè)特征圖使用的是同一個(gè)卷積核。用12種不同的卷積核就得到了12種不同的特征圖。訓(xùn)練開始時(shí)，這12個(gè)卷積核是隨機(jī)賦予的初始值，在后面訓(xùn)練過程中，不斷調(diào)整，最終得到能提取出特征的卷積核模板。卷積神經(jīng)網(wǎng)絡(luò)提取特征的實(shí)質(zhì)是訓(xùn)練出能提取特征的卷積核。S1層是一個(gè)下采樣層，它是采用圖像局部相關(guān)性的原理，對(duì)圖像進(jìn)行子抽樣，可以減少數(shù)據(jù)的處理量，加快收斂時(shí)間同時(shí)保留有用信息，它獲得12個(gè)30*30的特征圖。特征圖中的每個(gè)單元與C1中相對(duì)應(yīng)特征圖的2*2鄰域相連接。S1層每個(gè)單元的4個(gè)輸入相加，乘以一個(gè)權(quán)值，再加上一個(gè)偏置。結(jié)果通過sigmoid函數(shù)計(jì)算。

y=Sigmoid[w*sum(xi)+b]

(1)

其中:權(quán)值w和偏置b控制著sigmoid函數(shù)的非線性程度。如果權(quán)值比較小，那么運(yùn)算近似于線性運(yùn)算，亞采樣相當(dāng)于模糊圖像。如果權(quán)值比較大，亞采樣可以根據(jù)偏置的大小看成是有噪聲的“或”運(yùn)算或者有噪聲的“與”運(yùn)算。每個(gè)單元的2*2相鄰區(qū)域并不相互重疊，因此S2中的每個(gè)特征圖的大小都是C1中特征圖大小的1/4(行和列各1/2)。C2層也是一個(gè)卷積層，它同樣通過5x5大小的卷積核去卷積S2層，此時(shí)有24種不同的特征圖。C2中的每個(gè)特征圖是通過連接到S2中的幾個(gè)特征圖的不同組合或者全部的12個(gè)特征圖。原因有兩點(diǎn):1)不完全的連接機(jī)制將連接的數(shù)量保持在合理的范圍內(nèi)；2)其破壞了網(wǎng)絡(luò)的對(duì)稱性。由于不同的特征圖來自不同的輸入，所以迫使他們抽取的是不同的特征(希望是互補(bǔ)的)。余下的卷積層及子采樣層與前面的層是一樣的，只是隨著深度的加深，提取的特征更加抽象，也更具有表達(dá)能力。輸出層是與S3的一個(gè)全連接層。輸出層共有兩個(gè)神經(jīng)元，可用二進(jìn)制，代表4種肺炎類型，S3有24*5*5=600個(gè)神經(jīng)元，則輸出層共有600*2=1200個(gè)鏈接。

1.2 卷積層結(jié)構(gòu)改進(jìn)

為了避免卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)產(chǎn)生過擬合現(xiàn)象，在卷積層中，加入了如兩個(gè)特殊標(biāo)志符x1、x2,其中x1記錄經(jīng)過卷積后，該數(shù)據(jù)的波動(dòng)范圍，x2記錄該數(shù)據(jù)是否被激活。如果x1在設(shè)置的特定閾值范圍內(nèi)波動(dòng)范圍小于該值，該數(shù)據(jù)下次迭代訓(xùn)練時(shí)停止更新，這樣可以防止過度擬合。當(dāng)x2處于激活狀態(tài)是，該神經(jīng)元數(shù)據(jù)下次進(jìn)行正常卷積，若果處于非激活狀態(tài)則不進(jìn)行卷積。這樣在訓(xùn)練總是一部分神經(jīng)元參與訓(xùn)練。對(duì)于每次輸入到網(wǎng)絡(luò)中的樣本，其對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)都是不同的，但所有的這些不同的網(wǎng)絡(luò)結(jié)構(gòu)又同時(shí)共享隱含節(jié)點(diǎn)的權(quán)值。這樣不同的樣本就對(duì)應(yīng)不同的模型，這樣就可以很好地防止了過擬合現(xiàn)象的產(chǎn)生。圖2和圖3是示意圖。圖2表示標(biāo)準(zhǔn)神經(jīng)元訓(xùn)練時(shí)的情況，圖3表示改進(jìn)神經(jīng)元訓(xùn)練時(shí)的情況。其中虛線表示非激活神經(jīng)元鏈接。

圖2 標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)情況

圖3 改進(jìn)后神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)情況

1.3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練原理

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是不斷調(diào)整神經(jīng)元與神經(jīng)元之間權(quán)值的過程，即卷積核數(shù)據(jù)的調(diào)整。當(dāng)實(shí)際輸出與標(biāo)準(zhǔn)輸出不同時(shí)，計(jì)算誤差，采用反向傳播算法(back propagation，BP)來調(diào)整參數(shù)，實(shí)現(xiàn)權(quán)值更新，最終完成學(xué)習(xí)任務(wù)。網(wǎng)絡(luò)更新權(quán)值[8]公式為:

w(t+1)=w(t)+η*δ(t)*x(t)

(2)

其中：x(t)為神經(jīng)元的輸出，δ(t)表示該神經(jīng)元的誤差項(xiàng)，η表示學(xué)習(xí)率。

卷積神經(jīng)網(wǎng)絡(luò)通過卷積層和亞采樣層的相互配合來學(xué)習(xí)原始圖像的特征。卷積神經(jīng)網(wǎng)絡(luò)中卷積層的網(wǎng)絡(luò)結(jié)構(gòu)采用卷積的離散型[9],表示為:

(3)

其中：Mβ代表輸入特征的一個(gè)選擇；k代表卷積核；r代表網(wǎng)絡(luò)的層數(shù)；b代表每個(gè)輸出特征映射添加的偏置，對(duì)于特定的輸出映射，輸入的特征映射可以應(yīng)用不同的卷積核卷積得到；f代表卷積層神經(jīng)元所用的激活函數(shù)，采用的sigmoid函數(shù)，sigmoid函數(shù)把[-∞,+∞] 映射到[0,1]。亞采樣層的作用是對(duì)輸入的特征映射進(jìn)行采樣，采樣后，輸入特征與輸出的特征數(shù)目不會(huì)改變，但是輸出特征的大小與輸入特征相比會(huì)大幅減少。亞采樣層[12]表示為:

(4)

其中:sub(·)表示亞采樣所用的函數(shù)，B和b都是輸出特征的偏置。f的含義與卷積層的類似，表示亞采樣層神經(jīng)元的激活函數(shù)。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)是在Matlab2013a環(huán)境下完成的，操作系統(tǒng)為Windows7,Dual-CoreCPU，主頻2.94GHz，內(nèi)存4GB。實(shí)驗(yàn)所用CT圖像均取自哈爾濱醫(yī)大二院，共選取了2000張肺炎CT圖像，其中選取大葉肺炎、支氣管肺炎、間質(zhì)肺炎及毛細(xì)支氣管炎CT圖像各500張。

2.2 圖像預(yù)處理

卷積神經(jīng)網(wǎng)絡(luò)可以直接從圖像中提取特征，但是每張影像的人體肺部位置、肺部大小有一定差別，如果在整幅圖中直接進(jìn)行測(cè)試會(huì)影響結(jié)果。因此需要一些圖像預(yù)處理操作，采用圖像閾值分割技術(shù)，由于肺葉處像素值低于其他部位，因此采用閾值分割技術(shù)只提取出兩個(gè)肺葉部位的圖像。具體流程：首先復(fù)制圖像，根據(jù)閾值對(duì)圖像進(jìn)行分割，因肺部有白色紋理，分割出的肺部有空洞，這時(shí)采取閉運(yùn)算操作來彌補(bǔ)空洞，然后進(jìn)行輪廓提取，此時(shí)的輪廓位置就是原圖的輪廓位置。提取原圖的輪廓內(nèi)像素，按行依次存放到二維數(shù)組，因提取出的肺部數(shù)據(jù)大小不一，同時(shí)為了減少卷積神經(jīng)訓(xùn)練運(yùn)算量和確定卷積神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目，將提取后的肺葉圖像歸一化為64*64像素大小，在減少運(yùn)算量的同時(shí)，基本特征也保留了下來。提取效過程如圖4，左圖為原圖，中間為處理中間結(jié)果，右圖為原圖中提取的輪廓。

圖4 預(yù)處理過程圖

2.3 訓(xùn)練過程

訓(xùn)練神經(jīng)網(wǎng)絡(luò)設(shè)置的迭代次數(shù)為1000，誤差為0.05.到誤差小于0.05時(shí)即使迭代次數(shù)不到1000次，也停止訓(xùn)練。

在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)，隨機(jī)初始化卷積層中x2值，使其一半處于激活狀態(tài)，一半處于非激活狀態(tài)，將出現(xiàn)激活狀態(tài)的神經(jīng)元經(jīng)行卷積，不出現(xiàn)激活狀態(tài)的神經(jīng)元不予處理，保持原有權(quán)值。同時(shí)還檢測(cè)卷積層中x1的數(shù)值，當(dāng)在80次訓(xùn)練中其波動(dòng)范圍小于0.01，則讓x2的數(shù)值永遠(yuǎn)改為非激活狀態(tài)。代表著這個(gè)數(shù)值已經(jīng)訓(xùn)練完畢，下次不用再重復(fù)計(jì)算，這樣可以提高收斂速度，同時(shí)避免了再次精確逼近“假理想值”的情況，避免過擬合現(xiàn)象。

2.4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)采用簡(jiǎn)單的交叉驗(yàn)證，首選隨機(jī)地將肺炎CT圖像分為兩個(gè)部分，一部分做為訓(xùn)練集，另一部分作為測(cè)試集。訓(xùn)練集中隨機(jī)的抽取了大葉肺炎、支氣管肺炎、間質(zhì)肺炎及毛細(xì)支氣管炎類型的CT圖像各400。剩下的數(shù)據(jù)集作為測(cè)試組。測(cè)試結(jié)果如圖5所示。

圖5 測(cè)試結(jié)果

為了能詳細(xì)說明不同肺炎的識(shí)別的準(zhǔn)確率，統(tǒng)計(jì)如表1所示。

表1 統(tǒng)計(jì)結(jié)果

從實(shí)驗(yàn)結(jié)果中可以看出大葉性肺炎和間質(zhì)性肺炎識(shí)別率高達(dá)90%以上，支氣管肺炎和毛細(xì)支氣管肺炎識(shí)別率稍偏低一些，主要是在分類時(shí)有一部分支氣管肺炎識(shí)別成毛細(xì)支氣管肺炎導(dǎo)致的，由于毛細(xì)支氣管的炎性往往可累及肺泡，肺泡壁和肺間質(zhì)，導(dǎo)致毛細(xì)支氣管炎并發(fā)支氣管肺炎。訓(xùn)練樣本中可能有一些毛細(xì)支氣管炎并發(fā)支氣管肺炎，導(dǎo)致這兩種肺炎類型識(shí)別率偏低。

2.4.1 本方法與其他識(shí)別算法對(duì)比

支持向量機(jī)(support vector machine，SVM)工具箱選擇林智仁教授開發(fā)的libsvm 3.17。實(shí)驗(yàn)中SVM選擇高斯核函數(shù)，核函數(shù)寬度為5，懲罰系數(shù)為1 000。Ababoost算法采用Opencv 2.4.10版本中的庫函數(shù)。其中參數(shù)設(shè)置如下：訓(xùn)練層數(shù)設(shè)置為20，分裂子節(jié)點(diǎn)數(shù)目,選取默認(rèn)值 2。試驗(yàn)同樣采用CNN測(cè)試的樣本，大葉性肺炎、支氣管肺炎、間質(zhì)性肺炎、毛細(xì)支氣管炎各100張。 實(shí)驗(yàn)結(jié)果如表2所示，可知：卷積神經(jīng)網(wǎng)絡(luò)的分類效果明顯優(yōu)于其他兩個(gè)算法，訓(xùn)練時(shí)間雖然比其他兩種算法用時(shí)長，但測(cè)試時(shí)間基本相近。

表2 不同識(shí)別方法實(shí)驗(yàn)結(jié)果

卷積神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率高于Adaboost算法和SVM算法，主要原因是卷積神經(jīng)網(wǎng)絡(luò)不需要人為的提取特征，它自主學(xué)習(xí)不同類別間的差異，而Adaboost算法和SVM算法都是通過提取肺炎的LBP特征，用于分類識(shí)別，而人為提取的特征往往有局限性，不能很完美的多方面表現(xiàn)出不同類別之間的本質(zhì)特征。卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長的主要原因是因?yàn)樯窠?jīng)元數(shù)量多，且需要多次迭代調(diào)整權(quán)值，計(jì)算量大。但訓(xùn)練完成以后，調(diào)整好的權(quán)值被保存下來，在測(cè)試的時(shí)候直接讀取權(quán)值，因此測(cè)試時(shí)間就少了。

2.4.2 本方法與deepLearnToolbox中的CNN算法對(duì)比

為了測(cè)試改進(jìn)后的算法準(zhǔn)確率和預(yù)防過擬合現(xiàn)象效果，分別對(duì)不同種類肺炎各100張、150張、200張、250張、300張、350張、400張進(jìn)行了測(cè)試，deepLearnToolbox CNN算法測(cè)試結(jié)果用藍(lán)線表示，改進(jìn)后的CNN算法測(cè)試結(jié)果用綠線表示，如圖6所示。

圖6 準(zhǔn)確率測(cè)試結(jié)果

從結(jié)果圖中可以看出，改進(jìn)后的CNN算法，訓(xùn)練時(shí)成功的避免了過擬合現(xiàn)象且準(zhǔn)確率基本和標(biāo)準(zhǔn)算法一致。

這是由于在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，隱含節(jié)點(diǎn)都是以隨機(jī)概率出現(xiàn)，這樣就不能保證訓(xùn)練時(shí)都使用同樣的隱含節(jié)點(diǎn)，這樣權(quán)值的更新不再依賴于有固定關(guān)系的隱含節(jié)點(diǎn)，一半激活，一半非激活，阻止了某些特征僅僅在其它特定特征下才有效果的情況。在每次迭代過程中，由于每次隨機(jī)忽略的隱層節(jié)點(diǎn)都不同，這樣每次得到的訓(xùn)練網(wǎng)絡(luò)都是不同的，每次訓(xùn)練都可以單做一個(gè)“新”的模型，隨著訓(xùn)練的進(jìn)行，大部分半數(shù)網(wǎng)絡(luò)都可以給出正確的分類結(jié)果，少數(shù)服從多數(shù)這就避免了一些特例的產(chǎn)生。這樣就很好地避免了過擬合現(xiàn)象的發(fā)生。

但是改進(jìn)后的方案會(huì)帶來模型的訓(xùn)練開銷，由于迭代時(shí)總有一些神經(jīng)元沒有訓(xùn)練，這樣導(dǎo)致需要多次迭代，導(dǎo)致訓(xùn)練時(shí)間偏長，這可以作為一個(gè)繼續(xù)解決的技術(shù)問題。實(shí)驗(yàn)測(cè)試效果如圖7所示。CNN算法測(cè)試結(jié)果用藍(lán)線表示，改進(jìn)后的CNN算法測(cè)試結(jié)果用綠線表示。

圖7 訓(xùn)練時(shí)長測(cè)試結(jié)果

3 結(jié)論

為了幫助醫(yī)生，減少肺炎類型誤診的情況，設(shè)計(jì)了計(jì)算機(jī)輔助診斷的方法，并優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方法。通過實(shí)驗(yàn)證明，改進(jìn)后的算法相比其他算法識(shí)別率要高，與標(biāo)準(zhǔn)CNN算法相比，成功的防止了過擬合現(xiàn)象的產(chǎn)生，該方法具有一定的可行性，可以成為醫(yī)生輔助診斷肺炎類型的工具。但是改進(jìn)后訓(xùn)練時(shí)間偏長，可以作為以后的一個(gè)研究方向。

[1] Ripley B D. Pattern recognition and neural networks[M].Posts and Telecom Press, 2012.

[2] Warnick K F.Numerical methods for engineering:an introduction using MATLAB and computational electromagnetic[M].Raleigh, NC: SciTech Pub. ,2013:20-33.

[3] Neural Network Toolbox[Z]. Mathworks,2007:1-13.

[4] 張 亮，王齊凱. 基于bp神經(jīng)網(wǎng)絡(luò)的肺炎分類[J]. 華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，42(1)： 72-76.

[5] 李慶華，王 芳. 基于樸素貝葉斯的肺炎分類方法研究[J]. 科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，12(1)： 32-36.

[6] 趙 宏，楊紹強(qiáng). 基于svm的肺炎分類識(shí)別研究[J]. 系統(tǒng)仿真學(xué)報(bào)，2014，22(3)：638-641.

[7] 陳先昌．基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]．杭州：浙江工商大學(xué)，2013．

[8] 韓力群．人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[J]．北京：化學(xué)工業(yè)出版社．2001．

[9] 許 可.卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用研究[D].杭州:浙江大學(xué),2012.

[10] Lawrence S, Giles CL, Tsoi AC, et al. Face recognition: A convolutional neural network approach[J]. IEEE Trans. on NeuralNetworks, 2015, 8(1): 98-113.

[11] Mate S, Akira Y, Munetaka Y, Jun O. Pedestrian detection with convolutional neural networks[A]. IEEE IntelligentVehicles Symposium Proceedings[C]. USA: IEEE, 2014: 224-229.

[12] Kavukcuoglu K，Sermanet P，Boureau Y，et al．Learning convolutional feature hierachies for visual recognition[A]．In：Advances in Neural Information Processing Systems[C].2013.

[13] Ji S，Xu W，Yang M，et al．3D convolutional neural networks for human actionrecognition[A]． Proceedings of the 28th International Conference on Machine Learning[C]. 2010：495．502.

[14] 周永騰，張啟明. 基于adaboost算法的肺炎識(shí)別研究[D]. 計(jì)算機(jī)應(yīng)用研究，2013，42(1)： 72-76.

Recognition of Pneumonia Type Based on Improved Convolution Neural Network

Liu Changzheng, Xiang Wenbo

(School of Computer Science and Technology, Harbin University of Science and Technology, Harbin 150080, China)

Currently, the diagnosis of pneumonia type mainly depends on the experience of doctors. But some of the CT images of pneumonia were very similar. It is easy to misdiagnose, even experienced doctors. Therefore, a classification algorithm based on convolution neural network is proposed, which consisted of three convolution layers，three subsampling layers and one fully connected layer , and also a special structural processing is proceeded on the convolution layer. The network parameters are regulated through back propagation algorithm, which can also improve the back propagation process. The clinical experimental results show that the algorithm can accurately classify CT images of different pneumonia than general research recognition algorithm,such as Adaboost and SVM algorithms, and the revised convolution neural network can prevent over-fitting phenomena in training data.

recognition of pneumonia type; CT image; deep learning; subtle differences

2016-11-06；

2016-11-28。

國家自然基金項(xiàng)目(61403109)；黑龍江省自然科學(xué)基金(F201240)；黑龍江省教育廳科技研究項(xiàng)目(12531571)。

劉長征(1969-)，男，博士，教授，主要從事虛擬現(xiàn)實(shí)技術(shù)方向的研究。

1671-4598(2017)04-0185-04

10.16526/j.cnki.11-4762/tp.2017.04.051

TP242.6+2

A